Efficacy of Rotten and Fresh Fruit Extracts as the Photosensitive Dye for Dye-Sensitized Solar Cells
Notice bibliographique
Résumé
Global demand for energy is increasing exponentially, developing the need for renewable energy sources such as solar cells. Dye-sensitized solar cells (DSSC) use dye as the photoactive material, which capture the incoming photon of light and use the energy to excite electrons. These excited electrons then travel to a titanium dioxide (TiO2) layer, while the electrolyte in the cell closes the circuit by accepting the electrons and recycling them to the dye. Research in DSSCs has centered around improving the efficacy of photosensitive dyes. A fruit's color is defined by a unique set of molecules, known as a pigment profile, which changes as a fruit progresses from ripe to rotten. This project investigates the use of fresh and rotten fruit extracts as the photoactive dye in a DSSC. Dyes were extracted from cherries, plums, nectarines, peaches, kiwis, avocados, blueberries, and blackberries, both fresh and rotten. TiO2 coated electrodes were soaked overnight in the dyes and assembled into a DSSC using a graphite-coated counter electrode and an iodide-triiodide (3I-/I3-) electrolyte solution. The dye efficacy was determined by measuring the electric potential (voltage) with a multimeter. In fresh fruits, blackberries and blueberries produced the greatest potential. In most colors, the fresh dyes produced a greater potential than the rotten dyes. However, in kiwi, the rotten dye produced a greater potential than the fresh dye. In fruit crops, wastage levels are high due to quick rotting and market standards — the use of fruit-based dyes in DSSCs can convert this wastage to useful energy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».